基于血浆来源细胞外囊泡表面增强拉曼散射(SERS)特征的乳腺癌分子分型研究

《Journal of Analysis and Testing》:Breast Cancer Subtyping by Surface-Enhanced Raman Scattering (SERS) Signature of Plasma-Derived Extracellular Vesicles

【字体: 大 中 小 】 时间:2026年09月18日 来源:Journal of Analysis and Testing 9.4

编辑推荐:

  乳腺癌亚型分类对患者的治疗选择和疾病预后具有关键意义。小细胞外囊泡(small extracellular vesicles,sEVs)因其能够反映亲本细胞的分子特征,且在血浆和尿液等生物体液中浓度较高,已成为液体活检领域颇具前景的生物标志物。然而,由于异质性

  
乳腺癌亚型分类对患者的治疗选择和疾病预后具有关键意义。小细胞外囊泡(small extracellular vesicles,sEVs)因其能够反映亲本细胞的分子特征,且在血浆和尿液等生物体液中浓度较高,已成为液体活检领域颇具前景的生物标志物。然而,由于异质性sEV群体之间存在微妙的生化差异,利用sEVs准确区分乳腺癌亚型仍面临挑战。本研究采用无标记表面增强拉曼散射(surface-enhanced Raman scattering,SERS)技术对血浆来源sEVs进行综合分析,该方法无需预先选择靶标或进行标记即可捕获生化信息。为从sEV群体复杂的谱图数据集中提取判别性特征,研究人员将无标记SERS与支持向量机(support vector machine,SVM)分类器相结合,建立了精确的、数据驱动的分子分型框架。该SERS-SVM集成平台成功区分了人表皮生长因子受体2阴性(HER-2neg)乳腺癌、人表皮生长因子受体2阳性(HER-2pos)乳腺癌及健康对照,凸显了其作为快速、无创、高通量液体活检方法用于乳腺癌诊断和分子分型的潜力。在本研究中,SVM模型在内部训练-测试验证中总体准确率达95%,在使用独立临床样本集的外部验证中准确率达85%。值得注意的是,独立测试集对HER-2neg和HER-2pos乳腺癌组的敏感性均为100%,表明该模型在验证队列中正确识别了所有乳腺癌亚型样本。

论文解读

一、研究背景与意义

乳腺癌是全球女性中最常见的恶性肿瘤,约占女性所有癌症诊断的近三分之一,其全球负担预计到2040年将增加40%。乳腺癌可根据癌组织的分子特征分为不同亚型,这种分类对于治疗选择至关重要,因为每种亚型与特定的治疗策略相关联,直接影响治疗反应。其中,人表皮生长因子受体2(HER-2)是乳腺癌分类中最重要的分子之一,属于酪氨酸激酶家族成员,由位于染色体17q12上的ERBB2原癌基因编码。HER-2过度表达见于约15%–20%的乳腺癌患者中,其表达水平通过蛋白表达和基因扩增两方面进行评估。根据澳大利亚皇家病理学家学院(RCPA)乳腺癌分子分型指南,临床病理评估将乳腺癌分为HER-2阴性(HER-2neg)和HER-2阳性(HER-2pos),该分类指导治疗选择并影响临床结局。
然而,当前的分子分型方法依赖于肿瘤组织活检或手术切除,这些有创操作无法全面捕捉肿瘤的动态分子异质性,限制了其在疾病动态监测中的应用。因此,迫切需要有效、低风险且无创的替代方法。液体活检提供了一种微创途径,可通过检测血液等体液中的肿瘤相关生物标志物,促进患者进展和治疗反应的动态监测。细胞外囊泡(EVs)是由所有细胞类型释放的纳米级脂质双层颗粒,携带多种生物分子货物,包括蛋白质、核酸和脂质。在癌症中,EVs通过转移致癌因子介导细胞间通讯,从而促进肿瘤进展、转移、免疫逃逸和耐药性。小细胞外囊泡(sEVs,<200 nm)起源于内体途径,能够选择性包装多种货物,在生物样本中含量丰富,其分子特征可反映亲本细胞的特征,因此成为液体活检的理想标志物。
表面增强拉曼散射(SERS)是一种用于痕量分析物超灵敏检测的光谱分析技术,在优化条件下可实现高达106倍的信号放大,产生独特的分子振动光谱。与需要预先识别特定生物标志物的标记型SERS不同,无标记SERS能够捕获sEVs中所有分子(包括已知和未知生物标志物)的分子振动信号,提供全面的生化信息。然而,由于sEV群体复杂的生物分子组成,无标记SERS产生的光谱是卷积的,需要复杂的数学处理才能分析和解释。为克服这一限制,研究人员将机器学习算法与SERS相结合,以识别和增强sEVs分子谱中微妙的组成差异。本研究旨在评估无标记SERS区分健康供者和乳腺癌患者血浆中分离的sEVs的能力,并区分HER-2neg和HER-2pos乳腺癌亚型,为HER-2指导的治疗决策提供潜在工具。

二、研究内容与主要技术方法

研究人员采用毛细管基液体SERS平台替代传统的滴铸法,以避免干燥效应改变生物分子的结构构象并影响光谱特征。研究使用50 nm金纳米颗粒(AuNPs)作为SERS增强基底,采用Turkevich方法合成,并用碘化钾(KI)置换柠檬酸盐以消除基底光谱背景。研究样本包括42例血浆样本,其中28例乳腺癌患者(14例HER-2neg,14例HER-2pos)和14例健康供者。健康供者血液来自澳大利亚红十字会Lifeblood,乳腺癌患者样本来自澳大利亚悉尼麦考瑞大学癌症生物库和墨尔本圣文森特医院生物库。sEVs采用尺寸排阻色谱-超速离心(SEC–UC)联合方法从血浆中分离。数据分析采用主成分分析(PCA)降维,结合径向基函数支持向量机(RBF-SVM)进行分类预测,SVM模型配置参数为C=3,γ=0.00123。每个样本采集3个技术重复,每个重复采集30条光谱,每例血浆样本共90条光谱。

三、研究结果

3.1 工作流程:研究人员建立了从血浆样本采集、sEVs分离(SEC–UC方法)、AuNPs混合、毛细管基液体SERS测量到SVM建模分类的完整工作流程。
3.2 AuNPs表征:TEM和动态光散射(DLS)表征显示AuNPs流体动力学直径为48±2 nm,呈纳米球形形态,平均尺寸约50 nm。紫外-可见光谱显示538 nm处特征性表面等离子体共振(SPR)峰,zeta电位为?30.8±2.2 mV,表明纳米颗粒分散良好且高度稳定。
3.3 分离方法选择:研究人员比较了超速离心(UC)、SEC–UC和UC–SEC–UC三种sEVs分离方法。UC分离样本表现出更高的拉曼信号强度,但PCA显示其光谱分布更广、技术重复间重叠减少,表明样本内异质性更大。SEC–UC方法产生中等SERS信号强度且PCA中组间重叠更大。UC–SEC–UC方法信号最弱,可能因多次分离步骤导致sEVs部分丢失,但PCA显示囊泡群体更均匀。最终选择SEC–UC工作流程以在保持可接受光谱质量和群体一致性的同时最小化sEVs损失。
3.4 sEVs表征:NanoFCM测量显示分离的sEVs平均粒径为74±1 nm,浓度约1.34×1010颗粒/mL。TEM图像显示sEVs呈杯状形态,尺寸范围为70–100 nm。Di-8脂质染料标记显示约77.8%的分离颗粒为脂质颗粒,其中37.5%表达sEVs特异性标志物CD9,证实sEVs成功分离。
3.5 癌细胞系来源sEVs的SERS和PCA分析:研究人员选用非致瘤性乳腺上皮细胞系MCF-10A、HER-2neg乳腺癌细胞系MCF-7和HER-2pos乳腺癌细胞系SKBR-3作为概念验证。三个细胞系来源的sEVs在400–1800 cm?1指纹区均产生特征性SERS光谱,反映sEVs复杂的生物分子组成,包括蛋白质(约1000–1010、1260–1340和1600–1800 cm?1)、脂质(约1400–1470 cm?1)和核酸(约700–790 cm?1)。PCA分析中PC1–PC5分别解释31.28%、11.54%、6.76%、3.90%和3.55%的方差,累计解释57.03%。PCA载荷图显示,癌性与健康细胞系之间最显著的差异出现在酰胺I和酰胺III区域(1550–1650 cm?1、1250–1350 cm?1),表明膜蛋白结构不同。健康细胞来源sEVs具有更多α-螺旋特征(1650 cm?1),而癌细胞来源sEVs具有更多β-折叠结构(拉曼位移向1675 cm?1或更宽波段1650–1680 cm?1)。SVM模型5折分层交叉验证的混淆矩阵显示,MCF-7(HER-2neg)召回率为98.8%,SKBR-3(HER-2pos)为100%,MCF-10A为97.8%,表明三个细胞系可高精度区分。
3.6 机器学习辅助的血浆来源sEVs SERS分析用于乳腺癌分型:42例血浆样本中,使用30例(各10例)作为训练集,12例(各4例)作为独立外部验证集。训练集混淆矩阵显示健康、HER-2neg和HER-2pos组的敏感性分别为96.7%、96.1%和98.0%,精确率分别为97.7%、95.1%和98.0%,总体准确率为96.9%。随机70/30训练-测试分割验证显示总体准确率约95%。独立外部验证集结果显示健康对照组敏感性为75%,HER-2neg和HER-2pos乳腺癌组均为100%,总体预测准确率约85%。

四、讨论与结论

研究人员指出,样本量相对较小是本研究的一个局限性。但三个技术重复(每样本90条光谱)获得的一致SERS光谱以及标准化方案下不同时间获取的可重复测量结果表明,观察到的光谱差异主要反映生物学变异而非随机采样变异。独立验证队列中观察到的特异性降低,包括一些健康对照被误分类为HER-2neg乳腺癌,凸显了这项初步研究的局限性。样本来自多个临床中心,提供了模型可重复性和潜在泛化性的初步评估。未来需要更大规模的多中心研究,纳入更多样化的患者群体,并考虑纳入炎症、代谢紊乱、自身免疫性疾病等额外临床参数,以开发更稳健的模型。
研究结论指出,本研究证明了将无标记SERS与基于SVM的机器学习模型相结合分析血浆来源sEVs,用于诊断乳腺癌和区分HER-2neg与HER-2pos肿瘤的可行性。通过SEC–UC方法从血浆中分离的sEVs无需预先选择生物标志物或标记即可直接进行无标记SERS分析,获取反映血浆来源sEVs整体生化组成的综合分子指纹。在临床队列中,基于这些光谱特征训练的SVM模型在内部交叉验证中总体分类准确率约95%,独立外部验证中约85%,独立测试集中两种乳腺癌亚型的敏感性均保持100%。该研究证明了利用血浆来源sEVs的无标记SERS分析结合SVM机器学习,作为一种微创策略用于乳腺癌检测和分子分型的可行性,无需组织活检、抗体标记或预先选择特定生物标志物。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号